Soğuk başlangıcın neden bir sorun olduğu
Öneri sistemleri genellikle aday kümeleri oluşturmak için iş birlikli filtreleme, matris çarpanlarına ayırma veya derin öğrenme modellerini kullanır; bu yöntemlerin tümü kullanıcı-öğe etkileşim matrisine dayanır. Sürekli olarak yeni kullanıcılar ve öğeler eklendiğinden, sistem bunlar için doğru öneriler sunmak veya bunları uygun kullanıcılara önermek adına yeterli geçmiş etkileşim verisine sahip olmaz. Bu durum soğuk başlangıç sorunu olarak adlandırılır. Hatırlama, kaba sıralama ve ince sıralama aşamalarındaki mevcut algoritmalar, birikmiş kullanıcı davranışı verilerine aşırı derecede güvenir; ancak yeni varlıklar için bu tür veriler oldukça sınırlıdır. Sonuç olarak, yeni öğeler sınırlı görünürlük kazanır ve sistem yeni kullanıcıların ilgi alanlarını doğru şekilde modelleyemez.
Bazı işletmeler için yeni öğelerin hızla önerilmesi ve yeterli görünürlüğün sağlanması, platform ekosistemi ve uzun vadeli gelir açısından hayati önem taşır. Haber sektöründe, görünürlüğün gecikmesi bir haberin değerini keskin biçimde düşürür. Kullanıcı tarafından oluşturulan içerik (UGC) platformlarında, yeni içeriğin yetersiz görünürlüğü içerik üreticilerinin motivasyonunu kırar ve içerik kalitesini azaltır. Arkadaşlık platformlarında ise yeni kullanıcıların yeterli ilgi görmemesi büyümeyi engeller ve durgunluğa yol açar.
Soğuk başlangıç sorunu, öneri sistemlerindeki kritik bir zorluktur. Aşağıdaki bölümde bu sorunu çözmeye yönelik yaygın yaklaşımlar açıklanmaktadır.
Soğuk başlangıç sorununu çözme yöntemleri
Soğuk başlangıç algoritmaları ve stratejileri "Genelle, Hızlan, Aktar, Az" şeklinde dört kelimelik bir anımsatıcı ile özetlenebilir.
-
Genelle: Yeni bir öğeyi daha geniş niteliklere veya konulara eşleyin. Örneğin, "ürün" düzeyinden "kategori" düzeyine çıkarak yeni bir ürünü aynı kategorideki öğeleri beğenen kullanıcılara önerin. "Kısa video" düzeyinden "içerik üreticisi" düzeyine çıkarak yeni bir kısa videoyu ilgili içerik üreticisinin takipçilerine önerin. "Haber makalesi" düzeyinden "konu" düzeyine çıkarak, örneğin J-20 savaş uçağıyla ilgili bir makaleyi askeri tutkunlarına göstererek yeni bir makaleyi aynı konuya ilgi duyan kullanıcılara önerin. Bu yaklaşım aslında içerik tabanlı öneridir. Aynı anda birden fazla üst düzey kavrama genelleme yapmak genellikle daha iyi sonuçlar verir. Örneğin, yeni bir ürün "kategori", "marka", "mağaza", "stil" ve "renk" gibi kavramlarla ilişkilendirilebilir. Bazen bu kavramlar öğenin doğasında bulunur; bir satıcı genellikle ürünü listelerken ürün niteliklerini sağlar. Diğer durumlarda ise bu kavramların keşfedilmesi gerekir; örneğin bir makalenin "askeriye", "spor" veya "güzellik" olarak sınıflandırılması için algoritma kullanılabilir.
Başka bir yaygın teknik, gömme vektörleri arasındaki mesafeyi veya benzerliği hesaplayarak kullanıcı ilgi alanlarını öğelerle eşleştirir. Matris çarpanlarına ayırma ve derin öğrenme modelleri bu vektörleri üretebilir, ancak geleneksel modeller hâlâ etkileşim verilerine dayanır ve soğuk başlangıç senaryolarında iyi genelleme yapamaz. Bazı modeller özellikle soğuk başlangıç için gömme oluşturma amacıyla tasarlanmıştır; örneğin Soğuk Başlangıç Önerileri İçin DropoutNet Modelinin Derinlemesine Analizi ve İyileştirilmesi adresinde açıklanan model buna örnek verilebilir.
Bu yöntem basit görünse de önemli bir derinliğe sahiptir. Geçmiş etkileşim eksikliğini telafi etmek için öğenin içeriğini ve niteliklerini kullanır. Örneğin, ilgili öneriler için görüntüler veya videolar gibi çok modlu bilgilerden yararlanabilirsiniz. Bir arkadaşlık platformunda, yeni bir kullanıcının fotoğraflarını çekicilik açısından puanlayabilir ve bu çekicilik seviyesini tercih eden kullanıcılara öneride bulunabilirsiniz.
Hızlan: Hız, öneri sistemlerinde belirleyici bir avantajdır. Tanım gereği soğuk başlangıç öğelerinin geçmiş kullanıcı etkileşimi yoktur; bu nedenle doğal bir çözüm, etkileşim verilerini daha hızlı toplayıp sisteme beslemektir. Geleneksel modeller ve veriler genellikle günlük olarak güncellenirken, gerçek zamanlı işleme dakika hatta saniye düzeyinde güncellemeler sağlayabilir. Bu yöntemler tipik olarak pekiştirmeli öğrenmeye veya bağlamsal bandit algoritmasına dayanır. Daha fazla ayrıntı için Öneri Sistemlerinde Bağlamsal Bandit Algoritmasının Uygulanması ve Kullanımı adresine bakın.
Aktar: Transfer öğrenimi, farklı senaryolardaki verileri kullanarak modeller oluşturur ve bilgiyi kaynak alandan hedef alana aktarır. Örneğin, verisi sınırlı yeni bir hizmeti başlatırken ilk modeli oluşturmak için yerleşik bir hizmetten elde edilen verileri kullanabilirsiniz. Başka bir örnek sınır ötesi e-ticaret platformudur: Yeni bir ülke sitesinde etkileşim verisi sınırlıysa, modeli olgun bir sitenin verileriyle eğitip yeni sitenin küçük örneklemiyle ince ayar yaparak soğuk başlangıç performansını önemli ölçüde artırabilirsiniz. Transfer öğreniminin etkili olması için kaynak ve hedef alanların yeterince ilişkili olması gerekir; örneğin sitelerin ideal olarak büyük sayıda ortak ürün satması gerekir.
Az: Az atışlı öğrenme, yalnızca küçük miktarda denetimli veriyle modelleri eğitir. Tipik bir az atışlı yöntemi meta-öğrenmedir. Daha fazla bilgi için Meta-öğrenmeye Dayalı Soğuk Başlangıç Öneri Modeli adresine bakın.